Devido às pequenas diferenças nas características de imagem entre as classes de retinopatia e aos limites de classificação relativamente imprecisos, os algoritmos automáticos de classificação apresentam baixa taxa de acerto no reconhecimento e na classificação. Foi proposto um modelo automático de classificação de retinopatia integrando a atenção eficaz por canal (Efficient Channel Attention, ECA) com o ConvNeXt. Para lidar com o problema da falta de dados no conjunto, utilizou-se o método de inversão horizontal esquerda-direita para ampliar os dados, além de introduzir conjuntos de dados relacionados para equilibrar a distribuição dos dados. Para tratar problemas como imagens borradas e iluminação desigual nas imagens do fundo do olho, o método Graham foi usado para pré-processar as imagens, destacando as características das lesões. Propôs-se a rede ConvNeXt com atenção integrada para auxiliar os médicos no diagnóstico da retinopatia, introduzindo o mecanismo ECA e projetando o módulo E-Block, que possui alto desempenho e poucos parâmetros, capaz de capturar eficazmente as interações entre canais durante o treinamento, evitando a redução dimensional. Todos os parâmetros das camadas da rede foram treinados com aprendizado por transferência, adicionando o método dropout para evitar o overfitting causado pela alta capacidade de aprendizado da rede ConvNeXt. Os resultados experimentais mostraram que o modelo proposto alcançou sensibilidade de 95,20%, especificidade de 98,80% e precisão de 95,21%. Em comparação com redes comuns, o método proposto melhorou todos os indicadores de desempenho da classificação automática da retinopatia.

Reconhecimento e classificação da retinopatia; aprendizado por transferência; rede ConvNeXt; atenção eficaz por canal; módulo E-Block